Beyin Dalğaları Fiziki AI-nın Növbəti Açılışı Ola bilərmi?
Encord və digərləri robot təlimində növbəti sərhədin daha yaxşı modellər deyil, daha yaxşı məlumatlar olduğuna mərc edir. Beyin-kompüter interfeysləri fiziki AI-nı neyron təlim siqnalları ilə təmin edə bilər.
Fiziki AI-da Məlumat Darboğazı
Fiziki AI — insanabənzər robotları, avtonom anbar sistemlərini və sürücüsüz nəqliyyat vasitələrini gücləndirən texnologiya — Böyük Dil Modellərinin (LLM) illər əvvəl həll etdiyi problemdən köklü şəkildə fərqlənən bir çətinliklə üzləşir. LLM-lər internetin geniş məkanında təlim keçə bilirdi: kitablardan, məqalələrdən, kod depozitarlarından və sosial mediadan trilyonlarla söz. Fiziki AI-nın belə bir korpusu yoxdur. Onun real dünya, təcəssüm olunmuş, çoxmodalli qarşılıqlı təsir məlumatlarına ehtiyacı var — toplanması bahalı, vaxt aparan və fiziki cəhətdən çətin olan növ məlumatlar.
Paltar qatlamağı, izdihamlı anbarda naviqasiya etməyi və ya cərraha kömək etməyi öyrənən bir robot, çoxsaylı bucaqlardan çəkilmiş, zaman və məkan boyunca sıx annotasiyalarla təchiz edilmiş minlərlə saat nümayiş məlumatı tələb edir. Bu, təkcə daha çox hesablama gücü və ya daha yaxşı memarlıqla həll edilə biləcək bir problem deyil. Darboğaz məlumatlardır — insanların ətraf mühitləri ilə necə qarşılıqlı əlaqədə olduğunu əks etdirən fiziki, təməlli, real dünya məlumatları.
Encord: Fiziki AI üçün Məlumat Fabriki Qurmaq
London mərkəzli startap olan Encord, biznesini məhz bu çətinliyin ətrafında qurdu. Şirkət, fiziki AI modellərinin tələb etdiyi mürəkkəb çoxmodalli məlumat dəstlərini annotasiya etmək və idarə etmək üçün bir platforma təqdim edir. Statik şəkillər və ya tək cümləlik mətn üçün nəzərdə tutulmuş ənənəvi məlumat etiketləmə alətlərindən fərqli olaraq, Encord-un platforması çoxsaylı kamera bucaqlarından video axınlarını, 3D nöqtə buludlarını, sensor füzyon məlumatlarını və zaman ərzində obyektləri və hərəkətləri izləyən zamansal sıx annotasiyaları emal edir.
Şirkət özünü fiziki AI inqilabının məlumat onurğası kimi mövqeləndirib. Encord-un müştərilərinə insanabənzər robotlar hazırlayan robotexnika şirkətləri, avtonom nəqliyyat vasitəsi komandaları, tibbi robotexnika startapları və sənaye avtomatlaşdırma firmaları daxildir. Dəyər təklifi aydındır: hər bir şirkətin sıfırdan öz məlumat infrastrukturunu qurması əvəzinə, Encord fiziki AI-nın ehtiyac duyduğu təlim məlumatlarını istehsal etmək üçün lazım olan xüsusi alətləri təmin edir.
Beyin-Kompüter Interfeysləri: Yeni Məlumat Mənbəyi
Encord-un yol xəritəsindəki — və daha geniş fiziki AI məlumat ekosistemindəki — ən maraqlı inkişaf, beyin-kompüter interfeysi (BCI) məlumatlarının inteqrasiyasıdır. Fikir aldadıcı dərəcədə sadədir: əgər bir insanın fiziki bir tapşırığı yerinə yetirərkən yaratdığı neyron siqnalları qeydə ala bilsək və bu siqnalları bir robot üçün təlim məlumatlarına çevirə bilsək, fiziki AI üçün öyrənmə prosesini kəskin sürətləndirə bilərik.
Bir insan köynəyi qatlayarkən, beyni zəngin bir motor planlaşdırma siqnalları, məkan məlumatlılığı, toxunma geribildirim emalı və düzəldici tənzimləmələr axını yaradır. Bu neyron siqnallar fiziki zəkanın mahiyyətini ehtiva edir — obyektləri manipulyasiya etmək, tarazlığı qorumaq, güc tətbiq etmək və gözlənilməz şərtlərə uyğunlaşmaq barədə implicit bilik. BCI-lər bu neyron aktivliyi tuta və strukturlaşdırılmış təlim siqnallarına çevirə bilsə, robotlar milyonlarla əl ilə annotasiya edilmiş nümayişə ehtiyac duymadan beynin təbii zəkasından öyrənə bilər.
Neyron Təlim Siyqnalları Necə İşləyir
Neyron təlim siqnalları üçün texniki boru xətti bir neçə mərhələdən ibarətdir. Birincisi, qeyri-invaziv və ya minimal invaziv BCI-lər motor korteksdən, somatosensor korteksdən və fiziki tapşırıqların icrasında iştirak edən digər bölgələrdən beyin aktivliyini qeydə alır. Bu neyron məlumatlar daha sonra mənalı nümunələri çıxarmaq üçün emal olunur — hansı neyron atəşləmə ardıcıllığının müəyyən hərəkətlərə, güc tətbiqlərinə və ya tənzimləmələrə uyğun olduğunu müəyyən edərək.
Bu çıxarılan nümunələr daha sonra maşın öyrənmə körpüsü vasitəsilə robot idarəetmə siqnallarına xəritələnir. Robot müəyyən neyron aktivasiya nümunələrini müvafiq hərəkətlərlə əlaqələndirməyi öyrənir. Zamanla, sistem spesifik nümayişlərdən kənara ümumiləşdirir: neyron məlumatlardan bir fincanı tutmağı öyrənmiş bir robot, bu bilikləri alətləri, müxtəlif formalı obyektləri və ya dəyişən işıq şəraitində olan əşyaları tutmaq üçün tətbiq edə bilər.
İlk təcrübələr ümidverici nəticələr göstərdi. Tədqiqatçılar sadə manipulyasiya tapşırıqları zamanı qeydə alınan neyron siqnalların — obyektləri qaldırmaq, dəstəkləri çevirmək, qapıları açmaq — robot qollarını eyni əməliyyatları diqqətəlayiq dəqiqliklə yerinə yetirmək üçün təlim etməkdə istifadə oluna biləcəyini nümayiş etdirdilər. İndiki çətinlik bu yanaşmanı struktursuz mühitlərdə mürəkkəb, çoxmərhələli fiziki tapşırıqlara miqyaslaşdırmaqdır.
Bunun Robotexnika Sənayesi Üçün Əhəmiyyəti
BCI tərəfindən yaradılan təlim məlumatlarının fiziki AI üçün təsirləri dərindir. Bu gün, mürəkkəb bir tapşırıq üçün tək bir insanabənzər robotu təlim etmək, çoxsaylı kamera qurğuları və insan annotatorları ilə həftələrlə məlumat toplanması tələb edə bilər. BCI məlumatları bunu günlərə və ya saatlara endirə bilsə, robot təliminin iqtisadiyyatı tamamilə dəyişər.
Avtonom sistemlər quran anbar və logistika şirkətləri üçün daha sürətli təlim dövrləri daha sürətli yerləşdirmə, daha aşağı xərclər və aylarla yeni məlumat dəstlərini gözləmədən robotları yeni tapşırıqlara uyğunlaşdırma qabiliyyəti deməkdir. İnsanabənzər robot istehsalçıları üçün bu, demək olar ki, insanlar qədər tez yeni bacarıqlar öyrənə bilən ümumi təyinatlı robotları təlim etmək imkanı deməkdir.
Encord kimi startaplar, fiziki AI məlumat boru xəttinə nəzarət edən şirkətlərin robotexnika inqilabında əhəmiyyətli dəyər qazanacağına mərc edir — eynilə LLM-lər üçün təlim məlumatlarına nəzarət edən şirkətlərin generativ AI bumunda dəyər qazanması kimi. Beyin-kompüter interfeysləri bu yeni məlumat sərhədini açan açar ola bilər.
Çətinliklər və Açıq Suallar
Vədinə baxmayaraq, əhəmiyyətli çətinliklər qalır. BCI texnologiyasının özü hələ də inkişaf edir: qeyri-invaziv qulaqlıqlar daha aşağı siqnal keyfiyyəti təklif edir, invaziv implantlar isə tibbi və etik narahatlıqlar yaradır. Neyron siqnalları robot təlim məlumatlarına çevirmək həmçinin mürəkkəb siqnal emalı və maşın öyrənmə problemlərinin həllini tələb edir. Fiziki hərəkətlər üçün neyron kod tam başa düşülməyib və fərqli fərdlər eyni tapşırıq üçün fərqli neyron nümunələri yaradır.
Miqyaslana bilmə ilə bağlı da suallar var. Bir şəxsdən toplanan BCI məlumatları fərqli istehsalçılar tərəfindən qurulan robotlara ümumiləşdirilə bilərmi? Neyron təlim məlumatlarının səs-küyə, artefaktlara və fərdi dəyişkənliyə qarşı davamlı olmasını necə təmin edirik? Və hətta təlim məqsədləri üçün də olsa, neyron aktivlik məlumatlarını qeyd etmək və saxlamağın məxfilik təsirləri nələrdir?
Bunlar aktiv tədqiqat sahələridir, lakin istiqamət aydındır. Fiziki AI, ənənəvi metodların asanlıqla təmin edə bilmədiyi məlumatlara ehtiyac duyur. Beyin dalğaları — insan fiziki zəkasının elektrik simfoniyası — robotların necə öyrəndiyini dəyişdirəcək bir yol təklif edə bilər.